ProbabilityThresholdEarlyClassifier#

class ProbabilityThresholdEarlyClassifier(probability_threshold=0.85, consecutive_predictions=1, estimator=None, classification_points=None, n_jobs=1, random_state=None)[源代码][源代码]#

概率阈值早期分类器。

一个早期分类器，它使用预测概率的阈值来确定早期预测是否安全。

概述：: 构建 n 个分类器，其中 n 是 classification_points 的数量。当预测仍被认为是不安全的时：

使用分类点 i 处的序列长度进行预测。使用 decide_prediction_safety 决定预测是否安全。

参数:

概率阈值float, 默认值=0.85: 判定预测为安全的所需类别预测概率。
连续预测int, 默认=1: 一个类别连续预测次数超过阈值，被视为安全预测的次数。
estimator: sktime 分类器, default=None: 一个使用转换后的数据构建的 sktime 估计器。默认为 CanonicalIntervalForest。
分类点列表或无，默认=无: 用于构建分类器并允许在指定时间戳进行预测的整数时间序列列表。早期预测必须具有与 _classification_points 列表中的值匹配的序列长度。重复值将被删除，如果不存在，则将追加完整的序列长度。如果为 None，将使用从 0 到序列长度的 20 个线性间隔的阈值。
n_jobsint, 默认=1: fit 和 predict 并行运行的作业数量。-1 表示使用所有处理器。
random_stateint 或 None, 默认=None: 随机数生成的种子。

属性:

n_classes_整数: 类的数量。
classes_列表: 唯一的类别标签。

示例

>>> from sktime.classification.early_classification import (
...     ProbabilityThresholdEarlyClassifier
... )
>>> from sktime.classification.interval_based import TimeSeriesForestClassifier
>>> from sktime.datasets import load_unit_test
>>> X_train, y_train = load_unit_test(split="train", return_X_y=True)
>>> X_test, y_test = load_unit_test(split="test", return_X_y=True)
>>> clf = ProbabilityThresholdEarlyClassifier(
...     classification_points=[6, 16, 24],
...     estimator=TimeSeriesForestClassifier(n_estimators=10)
... )
>>> clf.fit(X_train, y_train)
ProbabilityThresholdEarlyClassifier(...)
>>> y_pred = clf.predict(X_test)

方法

`check_is_fitted`()	检查估计器是否已被拟合。
`clone`()	获取一个具有相同超参数的对象副本。
`clone_tags`(estimator[, tag_names])	从另一个估计器克隆标签作为动态覆盖。
`create_test_instance`([parameter_set])	如果可能，构造 Estimator 实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例的列表及其名称列表。
`decide_prediction_safety`(X, X_probabilities, ...)	决定早期分类的安全性。
`fit`(X, y)	拟合时间序列分类器到训练数据。
`fit_predict`(X, y[, cv, change_state])	拟合并预测X中序列的标签。
`fit_predict_proba`(X, y[, cv, change_state])	拟合并预测X中序列的标签概率。
`get_class_tag`(tag_name[, tag_value_default])	获取类标签的值。
`get_class_tags`()	从类及其所有父类中获取类标签。
`get_config`()	获取 self 的配置标志
`get_fitted_params`([deep])	获取拟合参数。
`get_param_defaults`()	获取对象的参数默认值。
`get_param_names`([sort])	获取对象的参数名称。
`get_params`([deep])	获取此对象的参数值字典。
`get_tag`(tag_name[, tag_value_default, ...])	从估计器类获取标签值并动态覆盖标签。
`get_tags`()	从估计器类获取标签和动态标签覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`is_composite`()	检查对象是否由其他 BaseObjects 组成。
`load_from_path`(serial)	从文件位置加载对象。
`load_from_serial`(serial)	从序列化的内存容器加载对象。
`predict`(X)	预测X中序列的标签。
`predict_proba`(X)	预测X中序列的标签概率。
`reset`()	将对象重置为初始化后的干净状态。
`save`([path, serialization_format])	将序列化的自身保存到类字节对象或 (.zip) 文件中。
`score`(X, y)	在 X 上将预测标签与真实标签进行比较。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**params)	设置此对象的参数。
`set_random_state`([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将动态标签设置为给定值。

decide_prediction_safety(X, X_probabilities, state_info)[源代码][源代码]#

决定早期分类的安全性。

参数:

X3D np.array（任意数量的维度，等长序列），形状为 =: [n_instances, n_dimensions, series_length] 或 pd.DataFrame，其中每一列是一个维度，每个单元格是一个 pd.Series（任意数量的维度，序列长度相等或不等）。预测的时间序列数据。
X_probabilities形状为 [n_instances, n_classes] 的 2D numpy 数组。: X 的预测概率。
state_info列表或无: 包含X中每个决策的状态信息的列表。包含对数据未来决策的信息。对于首次决策，输入应为None，对于后续决策，输入应为返回的列表new_state_info。

返回:

决策列表: 一个布尔值列表，包含预测是否安全可用的决策。
新状态信息列表: 包含X中每个决策的状态信息的列表，包含对数据未来决策的信息。

classmethod get_test_params(parameter_set='default')[源代码][源代码]#

返回估计器的测试参数设置。

参数:

参数集str, 默认值=”default”: 要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

参数字典或字典列表，默认 = {}: 用于创建类测试实例的参数。

check_is_fitted()[源代码]#

检查估计器是否已被拟合。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[源代码]#

获取一个具有相同超参数的对象副本。

克隆是一个在初始化后状态下的不同对象，没有共享引用。此函数等同于返回 self 的 sklearn.clone。

引发:

如果克隆不符合规范，由于 __init__ 存在错误，将引发 RuntimeError。

注释

如果成功，值等于 type(self)(**self.get_params(deep=False))。

clone_tags(estimator, tag_names=None)[源代码]#

从另一个估计器克隆标签作为动态覆盖。

参数:

估计器继承自 BaseEstimator 的估计器
标签名称str 或 str 列表, 默认 = None: 要克隆的标签名称。如果为 None，则使用估计器中的所有标签作为 tag_names。

返回:

自我: 自我引用。

注释

通过在 tag_set 中设置来自估计器的标签值，将对象状态更改为动态标签。

classmethod create_test_instance(parameter_set='default')[源代码]#

如果可能，构造 Estimator 实例。

参数:

参数集str, 默认值=”default”: 要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

实例使用默认参数的类实例

注释

get_test_params 可以返回字典或字典列表。此函数获取 get_test_params 返回的第一个或单个字典，并用该字典构建对象。

classmethod create_test_instances_and_names(parameter_set='default')[源代码]#

创建所有测试实例的列表及其名称列表。

参数:

参数集str, 默认值=”default”: 要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
名称list of str, 与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}。

fit(X, y)[源代码]#

拟合时间序列分类器到训练数据。

状态变化：: 将状态更改为“已拟合”。
写给自己：: 将 self.is_fitted 设置为 True。设置以 “_” 结尾的拟合模型属性。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以拟合估计器。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应于X中的实例索引，第1个索引（如果适用）对应于X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

返回:

self自我引用。

fit_predict(X, y, cv=None, change_state=True)[源代码]#

拟合并预测X中序列的标签。

方便的方法来生成样本内预测和交叉验证的样本外预测。

如果 change_state=True，则写入自身：: 将 self.is_fitted 设置为 True。设置以 “_” 结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以拟合并预测标签。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应于X中的实例索引，第1个索引（如果适用）对应于X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象，可选，默认=None

None : 预测是在样本内进行的，等同于 fit(X, y).predict(X)
cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的联合，cv 测试折叠必须不相交。
int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 如果存在则从 self 获取，否则 x=None

change_statebool, 可选 (默认=True)

如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变
如果为真，将使自身适应完整的 X 和 y，最终状态将与运行 fit(X, y) 等效。

返回:

y_pred : sktime 兼容的表格数据容器，属于 Table 科学类型sktime 兼容的表格数据容器，属于 Table

预测的类别标签

一维可迭代对象，形状为 [n_instances]，或二维可迭代对象，形状为 [n_instances, n_dimensions]。

0-th 索引对应于 X 中的实例索引，1-st 索引（如果适用）对应于 X 中的多输出向量索引。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

fit_predict_proba(X, y, cv=None, change_state=True)[源代码]#

拟合并预测X中序列的标签概率。

方便的方法来生成样本内预测和交叉验证的样本外预测。

如果 change_state=True，则写入自身：: 将 self.is_fitted 设置为 True。设置以 “_” 结尾的拟合模型属性。

如果 change_state=False，则不更新状态。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以拟合并预测标签。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应于X中的实例索引，第1个索引（如果适用）对应于X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

cvNone, int, 或 sklearn 交叉验证对象，可选，默认=None

None : 预测是在样本内进行的，等同于 fit(X, y).predict(X)
cv : 预测等同于 fit(X_train, y_train).predict(X_test)，其中多个 X_train、y_train、X_test 从 cv 折叠中获得。返回的 y 是所有测试折叠预测的联合，cv 测试折叠必须不相交。
int : 等同于 cv=KFold(cv, shuffle=True, random_state=x)，即，k折交叉验证的样本外预测，其中 random_state x 如果存在则从 self 获取，否则 x=None

change_statebool, 可选 (默认=True)

如果为 False，将不会改变分类器的状态，即，fit/predict 序列在副本上运行，self 不会改变
如果为真，将使自身适应完整的 X 和 y，最终状态将与运行 fit(X, y) 等效。

返回:

y_pred形状为 [n_instances, n_classes] 的二维 int 类型 np.array: 预测的类别标签概率 0-th 索引对应于 X 中的实例索引 1-st 索引对应于类别索引，顺序与 self.classes_ 中的顺序相同条目是预测的类别概率，总和为 1

classmethod get_class_tag(tag_name, tag_value_default=None)[源代码]#

获取类标签的值。

不返回在实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

参数:

标签名称str: 标签值的名称。
tag_value_default任何: 如果未找到标签，则使用默认/回退值。

返回:

标签值: 在 self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[源代码]#

从类及其所有父类中获取类标签。

从 _tags 类属性中检索标签：值对。不返回从实例中定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

返回:

collected_tagsdict: 类标签名称字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()[源代码]#

获取 self 的配置标志

返回:

config_dictdict: 配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后从 _onfig_dynamic 对象属性中覆盖和新标签。

get_fitted_params(deep=True)[源代码]#

获取拟合参数。

状态要求：: 需要状态为“已拟合”。

参数:

深度bool, 默认=True

是否返回组件的拟合参数。

如果为 True，将返回此对象的参数名称 : 值的字典，包括可拟合组件的拟合参数（= BaseEstimator 值的参数）。
如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的拟合参数。

返回:

fitted_params带有字符串键的字典

拟合参数的字典，paramname : paramvalue 键值对包括：

always: 此对象的所有拟合参数，通过 get_param_names 获取的值是该键对应的拟合参数值，属于此对象。
如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以其值出现为 paramname。
如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()[源代码]#

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]: 键是 cls 中所有在 __init__ 中定义了默认值的参数，值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[源代码]#

获取对象的参数名称。

参数:

排序bool, 默认=True: 是否按字母顺序返回参数名称（True），或按它们在类 __init__ 中出现的顺序返回（False）。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，顺序与它们在类 __init__ 中出现的顺序相同。如果 sort=True，则按字母顺序排列。

get_params(deep=True)[源代码]#

获取此对象的参数值字典。

参数:

深度bool, 默认=True

是否返回组件的参数。

如果为 True，将返回此对象的参数名称 : 值的字典，包括组件的参数（= BaseObject 值的参数）。
如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的参数。

返回:

参数带有字符串键的字典

参数字典，paramname : paramvalue 键值对包括：

总是：通过 get_param_names 获取的这个对象的所有参数，其值为该键的参数值，这个对象的值总是与构造时传递的值相同。
如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，componentname 的所有参数以 paramname 的形式出现，并带有其值。
如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

get_tag(tag_name, tag_value_default=None, raise_error=True)[源代码]#

从估计器类获取标签值并动态覆盖标签。

参数:

标签名称str: 要检索的标签名称
tag_value_default任何类型，可选；默认=None: 如果未找到标签，则使用默认/回退值
raise_error布尔: 当未找到标签时是否引发 ValueError

返回:

标签值任何: self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时返回错误，否则返回 tag_value_default。

引发:

如果 raise_error 为 True，即如果 tag_name 不在其中，则引发 ValueError。
self.get_tags().keys()

get_tags()[源代码]#

从估计器类获取标签和动态标签覆盖。

返回:

collected_tagsdict: 标签名称 : 标签值对的字典。通过嵌套继承收集自 _tags 类属性，然后是 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()[源代码]#

检查对象是否由其他 BaseObjects 组成。

复合对象是一个包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 一个对象是否有任何参数的值是 BaseObjects。

property is_fitted[源代码]#: 是否已调用 fit。

classmethod load_from_path(serial)[源代码]#

从文件位置加载对象。

参数:

串行ZipFile(path).open(“object”) 的结果

返回:

反序列化自身，结果输出到 path，通过 cls.save(path)

classmethod load_from_serial(serial)[源代码]#

从序列化的内存容器加载对象。

参数:

serial : cls.save(None) 输出的第一个元素输出中的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

predict(X)[源代码]#

预测X中序列的标签。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以预测标签。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

返回:

y_pred : sktime 兼容的表格数据容器，属于 Table 科学类型sktime 兼容的表格数据容器，属于 Table

预测的类别标签

一维可迭代对象，形状为 [n_instances]，或二维可迭代对象，形状为 [n_instances, n_dimensions]。

0-th 索引对应于 X 中的实例索引，1-st 索引（如果适用）对应于 X 中的多输出向量索引。

1D np.npdarray，如果 y 是单变量（一维）；否则，与 fit 中传入的 y 类型相同

predict_proba(X)[源代码]#

预测X中序列的标签概率。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以预测标签。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

返回:

y_pred形状为 [n_instances, n_classes] 的二维 int 类型 np.array: 预测的类别标签概率 0-th 索引对应于 X 中的实例索引 1-st 索引对应于类别索引，顺序与 self.classes_ 中的顺序相同条目是预测的类别概率，总和为 1

reset()[源代码]#

将对象重置为初始化后的干净状态。

使用 reset，使用当前的超参数值（get_params 的结果）运行 __init__。这将移除任何对象属性，除了：

超参数 = __init__ 的参数

包含双下划线的对象属性，即字符串”__”

类和对象方法，以及类属性也不受影响。

返回:

自身: 类的实例重置为干净的初始化后状态，但保留当前的超参数值。

注释

等同于 sklearn.clone 但覆盖了 self。在调用 self.reset() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

save(path=None, serialization_format='pickle')[源代码]#

将序列化的自身保存到类字节对象或 (.zip) 文件中。

行为：如果 path 是 None，返回一个内存中的序列化自身；如果 path 是一个文件位置，将自身存储在该位置作为一个 zip 文件。

保存的文件是包含以下内容的zip文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化（pickle）。

参数:

路径无或文件位置（字符串或路径）: 如果为 None，则将 self 保存到内存对象中；如果为文件位置，则将 self 保存到该文件位置。如果：

path=”estimator” 则会在当前工作目录下生成一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个名为 estimator.zip 的压缩文件。
serialization_format: str, default = “pickle”: 用于序列化的模块。可用选项有 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回:

如果 path 为 None - 内存中序列化的 self
如果 path 是文件位置 - 带有文件引用的 ZipFile

score(X, y) → float[源代码]#

在 X 上将预测标签与真实标签进行比较。

参数:

Xsktime 兼容的时间序列面板数据容器，属于 Panel 科学类型

时间序列以评分预测标签。

可以是任何 Panel 类型的科学，例如：

pd-multiindex: 具有列 = 变量，索引 = 包含第一级 = 实例索引，第二级 = 时间索引的 pd.MultiIndex 的 pd.DataFrame
numpy3D: 3D np.array (任意数量的维度，等长序列)，形状为 [n_instances, n_dimensions, series_length]
或任何其他支持的 Panel mtype

有关 mtypes 的列表，请参见 datatypes.SCITYPE_REGISTER

有关规范，请参见 examples/AA_datatypes_and_datasets.ipynb

并非所有估计器都支持具有多变量或不等长序列的面板，详情请参阅标签参考。

ysktime 兼容的表格数据容器，表格科学类型

1D 可迭代对象，形状为 [n_instances] 或 2D 可迭代对象，形状为 [n_instances, n_dimensions] 的类标签，用于拟合。第0个索引对应于X中的实例索引，第1个索引（如果适用）对应于X中的多输出向量索引。支持的sktime类型：np.ndarray（1D，2D），pd.Series，pd.DataFrame

返回:

浮点数，预测(X) 与 y 的准确度得分

set_config(**config_dict)[源代码]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示：

显示str, “diagram” (默认), 或 “text”

jupyter 内核如何显示实例

“diagram” = html 盒子图表示
“text” = 字符串打印输出

print_changed_onlybool, 默认=True

是否仅打印与默认值不同的自身参数（False），或打印所有参数名称和值（False）。不嵌套，即仅影响自身，不影响组件估计器。

警告str, “on” (默认), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

“on” = 将引发来自 sktime 的警告
“off” = 不会从 sktime 引发警告

后端:并行str, 可选, 默认=”None”

在广播/矢量化时用于并行化的后端，可选之一

“None”: 按顺序执行循环，简单的列表推导
“loky”, “multiprocessing” 和 “threading”: 使用 joblib.Parallel
“joblib”：自定义和第三方 joblib 后端，例如 spark
“dask”: 使用 dask，需要在环境中安装 dask 包

backend:parallel:paramsdict, 可选, 默认={} (未传递参数)

传递给并行化后端的附加参数作为配置。有效键取决于 backend:parallel 的值：

“None”: 没有额外参数, backend_params 被忽略
“loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端任何有效的 joblib.Parallel 键都可以在这里传递，例如 n_jobs，除了 backend 直接由 backend 控制。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“joblib”: 自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”: 任何 dask.compute 的有效键都可以传递，例如 scheduler

返回:

self对自身的引用。

注释

更改对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)[源代码]#

设置此对象的参数。

该方法适用于简单的估计器以及复合对象。参数键字符串 <component>__<parameter> 可以用于复合对象，即包含其他对象的对象，以访问组件 <component> 中的 <parameter>。如果这使得引用明确，例如没有两个组件的参数名称相同，则也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**参数dict: BaseObject 参数，键必须是 <组件>__<参数> 字符串。如果唯一存在于 get_params 键中，__ 后缀可以别名完整字符串。

返回:

self引用自身（在参数设置之后）

set_random_state(random_state=None, deep=True, self_policy='copy')[源代码]#

为 self 设置 random_state 伪随机种子参数。

通过 estimator.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链哈希采样获得，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 estimator 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件估计器。

注意：即使 self 没有 random_state，或者没有任何组件有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 估计器，即使那些没有 random_state 参数的估计器。

参数:

random_stateint, RandomState 实例或 None, 默认=None

伪随机数生成器，用于控制随机整数的生成。传递 int 以在多次函数调用中获得可重现的输出。

深度bool, 默认=True

是否在子估计器中设置随机状态。如果为 False，则仅设置 self 的 random_state 参数（如果存在）。如果为 True，则还会在子估计器中设置 random_state 参数。

self_policystr, 可选值为 {“copy”, “keep”, “new”}, 默认值为 “copy”

“复制” : estimator.random_state 被设置为输入 random_state
“保持” : estimator.random_state 保持不变
“new” : estimator.random_state 被设置为一个新随机状态，

派生自输入 random_state，并且通常与它不同

返回:

self自我引用

set_tags(**tag_dict)[源代码]#

将动态标签设置为给定值。

参数:

**标签字典dict: 标签名称：标签值对的字典。

返回:

自我: 自我引用。

注释

通过在 tag_dict 中设置标签值，将对象状态更改为 self 中的动态标签。